[发明专利]一种图像检索方法

权利要求书

1.一种图像检索方法，其特征在于，包括如下步骤：

步骤S1：对被查图像库中的被查图像抽取图像特征，并对所述被查图像及查询图像进行特征描述，以形成被查图像特征描述及查询图像特征描述；

步骤S2：利用卷积神经网络AlexNet抽取所述被查图像和查询图像的最后一个全连接层的图像特征，并进行特征描述，以形成深度学习图像特征描述；

步骤S3：将查询图像特征描述同被查图像特征描述进行综合比对，利用所述查询图像特征描述对被查图像进行图像相似度度量，得到按相似度从大到小排序的图像查询反馈列表；

步骤S4：取查询图像作为正例，步骤S3中的图像查询反馈列表的前n'幅图像以及后n”幅伪负例图像作为无标数据组成训练集，并结合步骤S2得到的深度学习图像特征描述训练得到一个样本选取分类器；

步骤S5：利用步骤S4中得到的样本选取分类器对步骤S3中的图像查询反馈列表的前n'幅图像进行分类预测以形成样本选取分类库，并根据步骤S2得到的深度学习图像特征描述从所述样本选取分类库中取g幅最靠近分类面的图像；

步骤S6：取步骤S3中图像查询反馈列表中的前m幅图像，连同步骤S5中得到的g幅最靠近分类面的图像组成一个待标注图像库，将所述待标注图像库提交给用户做标注，符合所述查询图像特征描述的标为正图像，否则标为负图像；

步骤S7：将步骤S6中所述正图像的特征与查询图像的特征进行特征融合，得到融合图像特征描述；

步骤S8：利用步骤S7中所述融合图像特征描述重新对被查图像库中的被查图像进行相似度度量，得到最终的查询结果。

2.如权利要求1所述的一种图像检索方法，其特征在于，所述步骤S1：对被查图像库中的被查图像抽取图像特征，并对被查图像及查询图像进行特征描述，以形成被查图像特征描述及查询图像特征描述，具体包括如下步骤：

步骤S1.1：利用VLFeat开源工具对被查图像库中每个被查图像提取SIFT特征点，将SIFT特征点进行L2归一化处理，随机采样部分特征点，并利用K-Means方法训练D个聚类中心，所有聚类中心构成D维词典；

步骤S1.2：利用上一步得到的D维词典，对被查图像及查询图像进行特征描述，分别得到被查图像及查询图像的D维的特征向量，设Q为查询图像的特征向量，I_i，i＝1,2,…,N，为被查图像的特征向量。

3.如权利要求2所述的一种图像检索方法，其特征在于，所述步骤S2：利用卷积神经网络AlexNet抽取被查图像和查询图像的最后一个全连接层的图像特征，并进行特征描述，以形成深度学习图像特征描述，具体包括如下步骤：

利用卷积神经网络AlexNet抽取被查图像和查询图像的最后一个全连接层4096维的图像特征，并进行特征描述，以形成深度学习图像特征描述，得到被查图像深度学习特征向量φ_i，i＝1,2,…,N，以及查询图像的深度学习特征向量φ_Q。

4.如权利要求3所述的一种图像检索方法，其特征在于，所述步骤S3：将查询图像特征描述同被查图像特征描述进行综合比对，利用所述查询图像特征描述对被查图像进行图像相似度度量，得到按相似度从大到小排序的图像查询反馈列表，具体包括如下步骤：

将查询图像的特征向量Q同被查图像的特征向量I_i，i＝1,2,…,N，进行综合比对，利用非对称距离度量查询图像的特征向量Q与被查图像的特征向量I_i，i＝1,2,…,N，的相似度，得到被查图像按相似度从大到小排序的图像查询反馈列表，其中非对称距离度量的计算方法为：

dis_AS(Q，I_i)＝w_Q||Q-min(Q，I_i)||+||I_i-min(Q，I_i)||

其中，w_Q为非对称权重。